Konsulent om å lykkes med data science: – Kultur er vanskeligere enn teknologi

Både tekniske og ikke-tekniske brukere kan ha store problemer med å ta til seg maskinlæring. Så store problemer at holdningsendringer utmerket godt kan være den største utfordringen for bedrifter som satser på data science.

Det mener Laurits Søgaard Nielsen, som for tiden er frilans-konsulent og tidligere har vært kontorsjef i det danske skattevesenet samt senior manager hos Deloitte med fokus på advanced analytics.

– Endringsprosessen rundt det å ta i bruk data science er en enormt stor oppgave, sier han.

– Jeg vil faktisk påstå at de tekniske utfordringene – å lage modellene og skaffe data – er det enkleste. Det vanskeligste er å begynne å endre kulturen rundt hvordan man bruker modellene. Og å skape en forståelse for hvordan dette verktøyet i verktøykassa egentlig fungerer. Dette kan være veldig utfordrende når man bygger maskinlæring til beslutningsstøtte-prosesser.

Fremmedgjøring

Den enorme hypen som lenge har vært rundt teknologier som maskinlæring fremmedgjør folk, mener Laurits Søgaard Nielsen.

– Det er kanskje litt for mye fokus på at man må være datadrevet uten å overveie hva dette konkret innebærer, eller hvilke konsekvenser det har. Og dette skaper retorikker som fremmedgjør folk. Vanlige mennesker begynner å frykte maskinlæring som tar beslutninger for dem. Men det er ikke helt slik virkeligheten fungerer. Ikke alle ting er som DeepMind ennå.

Dette vil skape en skepsis i de fleste organisasjoner.

– Dette blir som enhver annen teknologi man innfører. Da man innførte Excel-ark for mange år siden, satt revisorene angivelig og regnet etter på lommekalkulatoren fordi de ville være sikre på at programmet regnet riktig.

Men holdningsendringer kan også være vesentlig for teknikere, som for eksempel programmerere.

– I forhold til tradisjonell programvareutvikling kan det være vanskelig å forstå at man ikke skriver en bit programvare som er deterministisk. I data science skaper man metamodeller ut fra data, og man kan jo ikke være sikker på at modellen «gjør det korrekt» alle steder. Min erfaring er at mange mennesker virkelig har problemer med overgangen fra tradisjonell programvare til noe som er drevet av sannsynligheter, sier Laurits Søgaard Nielsen.

• Hyperspektrale bilder: Potet-skanner trener på skjulte middelalder-tekster

Ikke bare foran skjermen

Bedrifter som jobber med å bli mer datadrevne med data science, må spørre seg selv hvordan de helt generelt skaper en god endringsprosess for de folkene som skal ta i bruk den nye teknologien, mener Laurits Søgaard Nielsen.

– For det første handler det om å vite noe om hva teknologien gjør for deg. Det trenger ikke være i detalj – du vet nok heller ikke hvordan bilen din fungerer i detalj. Men du har tillit til at bilen fungerer. Og dette dreier seg også om å bygge opp den tilliten, og vise folk at teknologien kan hjelpe dem.

Denne prosessen krever en stor innsats – og ikke bare for de profesjonelle innen data. Det er behov for ledere, og kanskje til og med endringsspesialister, som for eksempel organisasjonspsykologer. Men den måten en data scientist jobber på kan også ha innflytelse, mener Laurits Søgaard Nielsen.

– Det er helt klart viktig at man som data scientist ikke bare sitter foran skjermen, men at man kommer seg ut og snakker med de menneskene som skal benytte modellen. Det handler om å løse et problem sammen med andre som har andre kompetanser – altså en co-creation-prosess. I dag ville man jo også ha vanskeligheter med å forestille seg at man lot it-utviklingen foregå uten å spørre dem som skal bruke produktet, hva de ser for seg, sier han:

– Hvis man tenker seg at en data scientist bygger et system som enten lyser rødt eller grønt, og sender det over til brukerne uten nærmere forklaring, havner det nok i skuffen. Hvis de derimot drar ut til brukerne, og involverer dem i hvordan modellen skal fungere, hvordan den skal lyse rødt eller grønt – da får du en veldig mye bedre prosess.

• På få år har det norske selskapet blitt kåret til ett av verdens mest lovende innen AI. – Vi har tidenes mulighet nå, sier gründer Anita Schjøll Brede

UX og utvikling i verktøykassa

Det forholdet at data scientisten får en rolle i fronten av holdningsendringene, bør også gi informasjon om hvordan bedrifter setter sammen data science-teamene sine, mener konsulenten.

– Hvis jeg skulle sette sammen et nytt team, ville jeg helt klart sørge for at jeg både hadde de som kan sitte foran skjermen og gå i dybden, og de mere utadvendte som kan snakke med bedriften og forstå behovet. Data science er helt klart en teamorientert øvelse, og det er behov for flere forskjellige roller for at produksjonssatte modeller kan bli en suksess, sier Laurits Søgaard Nielsen.

Den teknologiske utviklingen innen data science medfører også at data science-rollen i fremtiden blir mye mer spesialisert, og i langt større grad blir en teamøvelse hvor flere forskjellige fagområder inngår i et leveringsteam, mener Laurits Søgaard Nielsen. For eksempel hvis en modell skal stilles ut i en analytisk app, bør det inkludere faglighet rundt UX og programvareutvikling i leveransen.

– Det å bygge modellen og teste modeller manuelt – altså sitte og prøve ut forskjellige modelltyper i en manuell prosess – går vanligvis for langsomt. Så den arbeidsoppgaven ser vi nå er i ferd med å bli automatisert.

– Det innebærer at evnen til å kunne kvalitetssikre modeller og evnen til å kunne skape nye egenskaper fra data som er relevante i forhold til en modell, blir mye mer relevant enn å kunne prøve ut modelltyper.

Saken ble først publisert på danske Datatech, og gjøres tilgjengelig på norsk for abonnenter av Digi Ekstra gjennom vår samarbeidsavtale med Teknologiens mediehus/Ingeniøren.